前一篇文章，Tensor 基本操作3 理解 shape, stride, storage, view，is_contiguous 和 reshape 操作 | PyTorch 深度学习实战
本系列文章 GitHub Repo: https://github.com/hailiang-wang/pytorch-get-started
Tensor 基本使用
索引 indexing
Tensor 的索引类似于 Python List 的索引和分片。
比如一个 AxBxC 的三个维度的 Tensor a。
a`第0维的分片`, `第1维的分片`, `第2维的分片`
分片的语法和 Python List 分片语法一致，开始:结束:步进。
更多索引的高级语法介绍。
示例代码
print("*" * 8, " a")
a = torch.randn(5,4,3)
print(a)
print("*" * 8, " b")
b = a[1,] # 只要第 0 维的第一个成员
print(b)
print("*" * 8, " c")
c = a[1:] # 第 0 维从第一个成员开始都要，注意：这里索引从 0 开始
print(c)
print("*" * 8, " d")
d = a[1:, 1] # 第 0 维从第一个成员开始都要，第二维只要第一个成员
print(d)Result
******** a
tensor([[[ 0.1874, -0.0980, -0.3815],
[-0.8175, 1.5976, -1.4927],
[-0.1507, 1.1806, -0.3685],
[ 1.1583, 0.9419, -0.5540]],
[[ 1.3078, -1.4250, -1.5981],
[-0.0756, 2.0776, 0.7708],
[ 1.6020, -1.9133, 1.2459],
[-0.2817, -0.7238, -0.5413]],
[[-0.8057, -0.4368, -1.2398],
[ 0.8415, 1.7679, 0.6469],
[ 0.7046, -0.4872, 1.1219],
[-2.5866, -0.1263, 2.0684]],
[[ 1.8756, 1.4231, -1.2082],
[ 0.2111, 0.5244, 2.2242],
[-0.9658, -1.3731, -0.9126],
[-0.3850, -0.7273, -0.0519]],
[[ 0.7949, 2.2807, -0.8793],
[ 0.4037, 1.2422, -0.2393],
[ 0.4786, 0.6107, 1.4225],
[ 0.6104, 1.2682, -0.0801]]])
******** b = a[1,]
tensor([[ 1.3078, -1.4250, -1.5981],
[-0.0756, 2.0776, 0.7708],
[ 1.6020, -1.9133, 1.2459],
[-0.2817, -0.7238, -0.5413]])
******** c = a[1:]
tensor([[[ 1.3078, -1.4250, -1.5981],
[-0.0756, 2.0776, 0.7708],
[ 1.6020, -1.9133, 1.2459],
[-0.2817, -0.7238, -0.5413]],
[[-0.8057, -0.4368, -1.2398],
[ 0.8415, 1.7679, 0.6469],
[ 0.7046, -0.4872, 1.1219],
[-2.5866, -0.1263, 2.0684]],
[[ 1.8756, 1.4231, -1.2082],
[ 0.2111, 0.5244, 2.2242],
[-0.9658, -1.3731, -0.9126],
[-0.3850, -0.7273, -0.0519]],
[[ 0.7949, 2.2807, -0.8793],
[ 0.4037, 1.2422, -0.2393],
[ 0.4786, 0.6107, 1.4225],
[ 0.6104, 1.2682, -0.0801]]])
******** d = a[1:, 1]
tensor([[-0.0756, 2.0776, 0.7708],
[ 0.8415, 1.7679, 0.6469],
[ 0.2111, 0.5244, 2.2242],
[ 0.4037, 1.2422, -0.2393]])加减乘除
加法和减法
import torch
# 这两个Tensor加减乘除会对b自动进行Broadcasting
a = torch.rand(3, 4)
b = torch.rand(4)
c1 = a + b
c2 = torch.add(a, b)
print(c1.shape, c2.shape)
print(torch.all(torch.eq(c1, c2)))乘法和除法
*, torch.mul, torch.mm, torch.matmul
除法可以用乘法 API 完成。
broadcasting 机制
在 Tensor 的加减运算中，当两个 tensor 不能直接符合数学的运算规则时，PyTorch 会先尝试将 tensor 进行变换，再进行计算，这个变换的规则就是：broadcasting。
更多运算
更多加法和其他运算，参考Pytorch Tensor基本数学运算：
- 减法运算
- 哈达玛积(对应元素相乘，也称为 element wise)
- 除法运算
- 幂运算
- 开方运算
- 指数与对数运算
- 近似值运算
- 裁剪运算